开启AI大模型应用开发新篇：LangChain打造智能体基础

以LangChain与GPT - 4o - mini构建大模型智能体开发实战

在最近一段时间里，大模型所具备的能力一直在持续取得突破，这使得构建智能代理（Agent）系统成为了开发者们积极追逐的热点领域。

本文将会以LangChain框架作为核心，结合GPT - 4o - mini模型，通过接入工具以及运用消息修剪策略，来实现一个拥有记忆功能、能够调用搜索以及执行函数能力的智能体。

环境筹备与模型初始化

使用LangChain的时候，首先需要对语言模型进行初始化操作，这里所采用的是由OpenAI提供的GPT - 4o - mini模型。

# llm_env.py
from langchain.chat_models import init_chat_model

llm = init_chat_model("gpt-4o-mini", model_provider="openai")

我们会把它封装在llm_env.py文件中，以便主程序进行导入。

主程序结构剖析

主逻辑文件是main_agent_trim.py，它具备以下功能：
- 工具的整合
- PostgreSQL持久化配置
- 消息修剪策略
- Agent交互循环

工具函数与搜索工具接入

我们首先定义了一个简单的数学函数add，同时接入了TavilySearchResults搜索工具，以此来增强智能体获取外部知识的能力。

def add(a: int, b: int) -> int:
    return a + b

search = TavilySearchResults(max_results=5)
tools = [add, search]

配置LangGraph持久化存储

我们运用PostgresSaver来记录agent的状态以及历史会话，从而支持多轮对话的记忆功能。

DB_URI = "postgresql://postgres:123456@localhost:5432/langchaindemo?sslmode=disable"
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
    checkpointer.setup()

用户输入thread_id时，我们会组合当天的日期来生成唯一的标识符，以确保每个会话线程都能够独立追溯。

消息修剪策略设计

为了把控模型输入token的上限，我们引入了trim_messages方法，在每一轮对话之前进行修剪操作：

def pre_model_hook(state):
    trimmer = trim_messages(
        max_tokens=65,
        strategy="last",
        token_counter=llm_env.llm,
        include_system=True,
        allow_partial=False,
        start_on="human",
    )
    trimmed_messages = trimmer.invoke(state["messages"])
    return {"llm_input_messages": trimmed_messages}

该策略仅仅保留最近的用户消息，避免长对话历史超出token限制，进而影响模型的响应。

构建智能体执行器

借助create_react_agent方法来创建智能体，传入模型、工具、hook以及checkpoint。

agent_excuter = create_react_agent(
    llm_env.llm,
    tools,
    pre_model_hook=pre_model_hook,
    checkpointer=checkpointer,
)

与智能体交互

程序进入循环模式，接收用户输入，执行智能体的推理过程，并输出响应内容以及工具调用情况。

while True:
    query = input("你: ")
    if query.strip().lower() == "exit":
        break
    input_messages = [HumanMessage(query)]
    response = agent_excuter.invoke({"messages": input_messages}, config=config)
    for message in response["messages"]:
        if hasattr(message, "content") and message.content:
            print(f"{message.type}:{message.content}")
        if hasattr(message, "tool_calls") and message.tool_calls:
            print(f"{message.type}:{message.tool_calls}")

示例

总结

本文展示了如何基于LangChain框架构建一个集合了搜索、函数执行、消息修剪以及状态持久化为一体的智能体系统。通过合理设计hook以及工具链，我们能够持续拓展其功能范畴。